多分类器融合提取土壤养分特征波长

发布时间：2021-12-23 19:20

　　光谱已经应用于土壤养分速测的分析,但是如何寻找土壤光谱特征波段,尽最大可能避免无用信息干扰、保留有用信息,建立准确度高、预测效果好的模型仍是一个亟需解决的问题。以青岛三个不同地区土壤样品为例,测定土壤样品的紫外-可见-近红外光谱及其总碳（TC）、总氮（TN）、总磷（TP）含量;分别采用连续投影算法（SPA）、无信息变量消除法（UVE）、遗传算法（GA）、相关系数法（CC）四种算法（四种单分类器）对土壤光谱提取特征波长;再引入投票法和加权投票法的多分类器融合方法将四种算法融合得到特征波长;以偏最小二乘回归（PLSR）建立各土壤养分含量的模型,通过对模型效果的评价标准（建模集绝对系数R■、校正均方根误差RMSEC、检验集绝对系数R■、预测均方根误差RMSEP和相对分析误差RPD值）来判别各单分类器算法和多分类器融合算法对土壤养分含量特征波长的提取效果。分别对四种算法、筛选其中三种算法、最优二种算法进行融合,分析融合后模型效果和特征波长个数,结果表明:将四种单分类器经投票法融合后,其模型效果大部分不如单分类器,且相对好的模型特征波长个数较多;相较于投票法多分类器融合,四种单分类器经加权投票法... 

【文章来源】：光谱学与光谱分析. 2019,39(09)北大核心EISCICSCD

【文章页数】：6 页

【部分图文】：

图１土壤样品光谱测量示意图Ｆｉｇ．１Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｓｏｉｌｓａｍｐｌｅｓ

光谱，保留２２６～９７５ｎｍ的光谱数据，见图２。图１土壤样品光谱测量示意图Ｆｉｇ．１Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｓｏｉｌｓａｍｐｌｅｓｓｐｅｃｔｒａｌｍｅａｓｕｒｅｍｅｎｔ１．３特征波长提取算法采用连续投影算法（ＳＰＡ）［７］、无信息变量消除算法（ＵＶＥ）［８］、遗传算法（ＧＡ）［９］、相关系数法（ＣＣ）［１０］，其中相关系数法设置其阈值为≥０．５。本文各单分类器算法均在ｍａｔｌａｂＲ２０１５ｂ中实现。图２土壤样品反射光谱曲线图Ｆｉｇ．２Ｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒａｏｆｓｏｉｌｓａｍｐｌｅｓ１．４多分类器融合多分类器融合是以投票法和加权投票法对多种特征提取方法进行融合，得到最终的决策结果。１．４．１投票法融合投票法是对光谱的各波长进行统计，每种单分类器（即一种特征波长算法）对全光谱波长的筛选都作为对该波长投一票，统计各波长的投票个数。设第ｍ个波长点在第ｎ个分类器的投票数为Ｂｎｍ，共有Ｎ个分类器，第ｍ个波长点的投票总数为Ｔｍ，其中ｍ＝１，２，…，Ｍ。Ｔｍ＝∑Ｎｎ＝１Ｂｎｍ（１）根据实际需求选取Ｔｍ≥ｋ的全部波长点（ｋ＝１，２，…，Ｎ）作为光谱特征波长，即为融合结果。１．４．２加权投票法融合加权投票法是在投票法基础之上，根据每个单分类器输出结果的好坏来对其赋予不同的权值［１０－１１］。本文根据每种算法获取的特征波长建立模型的效果来进行评价，按照各算法的评价结果对单分类器赋权值αｉ，

【参考文献】：
期刊论文
[1]近红外光谱和多分类器融合的葡萄酒品种判别研究[J]. 李凯,李雪莹,栾丽丽,胡文雁,王宇恒,李景明,李军会,劳彩莲,赵龙莲.  光谱学与光谱分析. 2016(11)



本文编号：3549040